О курсе
Программа курса охватывает несколько последовательных тем. Первая часть знакомит с базовым синтаксисом Python: переменные, типы данных, коллекции, операторы, функции, модули, а также принципы ООП (инкапсуляция, наследование, полиморфизм). Вторая часть посвящена сбору данных: рассматриваются регулярные выражения (модуль re) и парсинг HTML/XML с помощью Beautiful Soup (bs4). Третья часть — работа с табличными данными в pandas: выборка, сортировка, обработка пропусков, чтение/запись и визуализация. Четвёртая часть — классические методы машинного обучения из sklearn: классификация, регрессия, кластеризация, обнаружение выбросов, снижение размерности и выбор признаков. Пятая часть — глубокое обучение с использованием Keras (TensorFlow): создание нейросетей различных архитектур (MLP, CFNN, автоэнкодеры, GRU, LSTM, CNN) для задач классификации, аппроксимации и восстановления данных.
Что рассматривается в программе
- рассматриваются основы программирования на Python
- разбирается сбор данных с помощью регулярных выражений и Beautiful Soup
- изучается работа с таблицами в pandas
- осваиваются методы классификации, регрессии, кластеризации и снижения размерности в sklearn
- рассматривается создание нейросетей в Keras
Кому может быть полезен курс
- разработчикам, интересующимся инструментарием Data Science
- тем, кто хочет изучить Python с нуля и применить его для анализа данных
- специалистам, которым нужно ознакомиться с методами машинного обучения и нейросетями
Вопросы о программе
Какие темы по Python включены в курс?
В курс включено изучение базового Python: переменные, типы данных, коллекции, операторы, функции, модули, а также принципы ООП (инкапсуляция, наследование, полиморфизм).
Какие библиотеки для сбора данных рассматриваются?
Рассматриваются модуль re для работы с регулярными выражениями и bs4 (Beautiful Soup) для синтаксического анализа HTML/XML текста.
Какие методы машинного обучения входят в программу?
В программе представлены методы классификации, аппроксимации, кластеризации, обнаружения выбросов, восстановления данных, снижения размерности и выбора признаков из модуля sklearn.
Какие архитектуры нейросетей рассматриваются в курсе?
В курсе рассматриваются многослойный персептрон (MLP), каскадная нейросеть прямого распространения (CFNN), автоэнкодер, GRU, LSTM и сверточная нейросеть (CNN) для задач классификации, аппроксимации и восстановления данных.